偏标记学习是一类重要的弱监督学习框架。在该框架下,每个对象在输入空间由单个示例来描述,而在输出空间与多个候选标记相关联,但其中只有一个标记为其真实标记。在真实世界问题中,获取一个对象的真实标记所需的成本非常大或很难获取对象的真实标记,往往很容易获取对象的多个候选标记,而偏标记学习框架能够很好地处理这种情景,所以对于偏标记学习框架的研究已经引起相关领域的关注。偏标记学习问题的难点在于对象的真实标记隐藏在候选标记集合中,解决该问题的关键在于如何对候选标记进行消歧。设计有效的学习算法可以从算法设计的思想出发,包括算法适应和问题转换这两个角度。本文从问题转换的角度对偏标记学习展开研究,主要做了以下两方面的工作:(1)为了利用特征空间的潜在有用信息,本文提出了一个基于特征感知消歧的偏标记学习算法PL-LEAF,将偏标记学习问题转换为一个多输出回归问题。PL-LEAF算法首先基于偏标记训练样本的特征空间信息生成样本的标记置信度信息,然后利用该信息学习一个正则化的多输出回归预测模型,最后预测测试样本的标记为回归模型在各标记上输出最大值所对应的标记。(2)为了减少候选标记的数目,本文提出了一个基于三元纠错输出编码的偏标记学习算法PL-TECOC。该算法首先通过三元编码矩阵将偏标记学习问题转换为多个二类学习问题,然后集成这些二类分类器来预测测试样本的标记。在构建二类分类数据集时,仅依据非’0’编码的标记构建,而忽略’0’编码的标记,因此减少了候选标记的数目,从而降低了偏标记学习问题的难度。实验表明,和多个流行的偏标记学习算法相比,PL-LEAF和PL-TECOC算法在人工数据集和真实数据集上均表现良好的性能。